Comparing generalized and customized spread models for nonnative forest pests
Notice bibliographique
Résumé
While generality is often desirable in ecology, customized models for individual species are thought to be more predictive by accounting for context specificity. However, fully customized models require more information for focal species. We focus on pest spread and ask: How much does predictive power differ between generalized and customized models? Further, we examine whether an intermediate "semi-generalized" model, combining elements of a general model with species-specific modifications, could yield predictive advantages. We compared predictive power of a generalized model applied to all forest pest species (the generalized dispersal kernel or GDK) to customized spread models for three invasive forest pests (beech bark disease [Cryptococcus fagisuga], gypsy moth [Lymantria dispar], and hemlock woolly adelgid [Adelges tsugae]), for which time-series data exist. We generated semi-generalized dispersal kernel models (SDK) through GDK correction factors based on additional species-specific information. We found that customized models were more predictive than the GDK by an average of 17% for the three species examined, although the GDK still had strong predictive ability (57% spatial variation explained). However, by combining the GDK with simple corrections into the SDK model, we attained a mean of 91% of the spatial variation explained, compared to 74% for the customized models. This is, to our knowledge, the first comparison of general and species-specific ecological spread models' predictive abilities. Our strong predictive results suggest that general models can be effectively synthesized with context-specific information for single species to respond quickly to invasions. We provided SDK forecasts to 2030 for all 63 United States pests in our data set.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».